JP2021144637A - 情報処理装置、情報処理方法およびプログラム - Google Patents

Abstract

【課題】対象装置のセンサデータを精度良く推定する推定装置を提供する。【解決手段】情報処理装置は、セグメント生成部３６と、抽出部４０と、推定データ生成部４４と、を備える。セグメント生成部３６は、対象装置を観測するセンサにより検出された時系列のセンサデータから対象装置の動作状態毎に分割した複数のセグメントを生成する。抽出部４０は、複数のセグメントのうちの、任意の第１時刻の動作状態と同一の動作状態のセグメントに含まれる対象データを抽出する。推定データ生成部４４は、対象データに基づいて、第１時刻とは異なる指定時刻においてセンサから出力されると推定される推定データを生成する。【選択図】図３

Description

本発明の実施形態は、情報処理装置、情報処理方法およびプログラムに関する。

社会インフラストラクチャおよび生産現場等で用いられる機器は、内部の部品等が運転時間の経過とともに劣化する。従って、管理者は、このような機器の性能の維持および故障の防止のために、部品交換および修理等のメンテナンスの計画を策定する必要がある。ただし、過剰な頻度でメンテナンスをした場合、コストが大きくなってしまう等の弊害が生じるので、管理者は、適切なタイミングでメンテナンスを行うような計画を策定しなければならない。

機器は、稼働状況および設置環境等により、劣化の度合いが異なる。このため、メンテナンスのタイミングは、同一の種類の機器であっても同一とは限らない。また、機器のダウンタイムを短縮したり適切なタイミングで部品を手配したりするため、管理者は、機器の異常を発見した後ではなく、機器の異常を発見する前にメンテナンスのタイミングを決定できることが望ましい。

ところで、機器を測定するセンサから得られるセンサデータを推定して、機器の状態を推定する技術が開発されている。このような技術を用いれば、機器毎に、異常の発生タイミングを推定することができる。

しかし、機器の状態は、一様ではない。例えば、機器は、温度および湿度等の環境、並びに、出力量および周波数等の運転設定等によって、状態の変化傾向が異なる。状態の変化傾向が異なる場合、センサデータを精度良く推定することが難しくなる。

特許第５８２７４２５号公報 特開２０１９−１３３４５４号公報

本発明が解決しようとする課題は、対象装置のセンサデータを、精度良く推定する情報処理装置、情報処理方法およびプログラムを提供することにある。

実施形態に係る情報処理装置は、セグメント生成部と、抽出部と、推定データ生成部と、を備える。前記セグメント生成部は、対象装置を観測するセンサにより検出された時系列のセンサデータから前記対象装置の動作状態毎に分割した複数のセグメントを生成する。前記抽出部は、前記複数のセグメントのうちの、任意の第１時刻の動作状態と同一の動作状態のセグメントに含まれる対象データを抽出する。前記推定データ生成部は、前記対象データに基づいて、前記第１時刻とは異なる指定時刻において前記センサから出力されると推定される推定データを生成する。

推定システムの構成図。 センサデータの一例を示す図。 第１実施形態に係る推定装置の機能構成を示す図。 第１実施形態に係る推定装置の処理の流れを示すフローチャート。 第１実施形態に係る表示装置が表示する推定画像の一例を示す図。 第２実施形態に係る推定装置の機能構成を示す図。 第２実施形態に係る推定装置の処理の流れを示すフローチャート。 第３実施形態に係る推定装置の機能構成を示す図。 第３実施形態に係る推定装置の処理の流れを示すフローチャート。 第４実施形態に係る推定装置の機能構成を示す図。 イベントデータの一例を示す図。 第４実施形態に係る推定装置の処理の流れを示すフローチャート。 第４実施形態に係る表示装置が表示する推定画像の一例を示す図。 第５実施形態に係る推定装置の機能構成を示す図。 第６実施形態に係る推定装置の機能構成を示す図。 第６実施形態に係る推定装置の処理の流れを示すフローチャート。 第６実施形態に係る表示装置が表示する推定画像の一例を示す図。 第６実施形態に係る表示装置が表示する他の例の推定画像を示す図。 推定装置のハードウェア構成を示す図。

以下、図面を参照しながら実施形態に係る推定システム２０について説明する。実施形態に係る推定システム２０は、対象装置１０を観測するセンサ１２から指定時刻に出力されるセンサ値を、精度良く推定する。

（第１実施形態）
図１は、第１実施形態に係る推定システム２０の構成を示す図である。推定システム２０は、推定装置２２と、表示装置２４とを備える。

推定装置２２は、対象装置１０を観測するセンサ１２により検出された時系列のセンサ値であるセンサデータを取得する。そして、推定装置２２は、取得したセンサデータに基づき、指定時刻におけるセンサ値である推定データを生成する。または、推定装置２２は、取得したセンサデータに基づき、指定時間範囲の時系列のセンサ値を、推定データとして生成する。

対象装置１０は、例えば、社会インフラストラクチャおよび生産現場等で用いられる機器である。例えば、対象装置１０は、燃料電池である。対象装置１０は、社会インフラストラクチャおよび生産現場等で用いられる機器に限らず、他の場面において用いられる機器であってもよい。

センサ１２は、対象装置１０の状態を観測する。センサ１２は、例えば、対象装置１０の温度および湿度等の環境状態、対象装置１０に入力または出力される電流および電圧等、対象装置１０に入力または出力される気体または流体の量、並びに、対象装置１０に設定されている設定値等を観測する。

推定装置２２は、所定時間間隔毎に検出された時系列のセンサ値を含むセンサデータを取得する。推定装置２２は、各時刻において１つセンサ値を含むセンサデータを取得してもよいし、各時刻において複数の種類のセンサ値を含むセンサデータを取得してもよい。また、推定装置２２は、例えばセンサ１２により観測されたセンサ値の異常度のようなセンサ値の特徴量を含むセンサデータを取得してもよい。

表示装置２４は、推定装置２２の制御に応じて、生成した推定データを含む画像をモニタに表示する。

図２は、センサデータの一例を示す図である。対象装置１０が燃料電池の場合、推定装置２２は、例えば、図２に示すようなセンサ値を含むセンサデータを取得する。より詳しくは、推定装置２２は、１０分毎に観測した、電圧、電流、出力電力設定値、および、燃料流量を含むセンサデータを取得する。なお、対象装置１０が燃料電池の場合、推定装置２２は、これらのセンサ値に加えて、さらに他のセンサ値を含むセンサデータを取得してもよい。また、推定装置２２は、これらのセンサ値のうちの一部のセンサ値を除くセンサデータを取得してもよい。

図３は、第１実施形態に係る推定装置２２の機能構成を示す図である。推定装置２２は、例えば単体のコンピュータまたはサーバ装置等のコンピュータである。推定装置２２は、１台のコンピュータであってもよいし、クラウドシステムのように複数台のコンピュータにより構成されていてもよい。コンピュータは、所定のプログラムを実行することにより、推定装置２２として機能する。

第１実施形態に係る推定装置２２は、収集部３２と、記憶部３４と、セグメント生成部３６と、時刻指定部３８と、抽出部４０と、モデル生成部４２と、推定データ生成部４４と、表示制御部４６とを備える。

収集部３２は、対象装置１０を観測するセンサ１２により検出された時系列のセンサ値であるセンサデータを収集する。記憶部３４は、収集部３２により収集されたセンサデータを記憶する。

セグメント生成部３６は、記憶部３４に記憶されたセンサデータを解析することにより、対象装置１０の動作状態毎にセンサデータを時間方向に分割した複数のセグメントを生成する。そして、セグメント生成部３６は、複数のセグメントのそれぞれに対して、そのセグメントの動作状態を識別する識別情報を対応付ける。

対象装置１０の動作状態は、センサデータを解析することにより得られるセンサデータの特徴、センサデータを解析することにより得られる対象装置１０の状態、または、対象装置１０の状態の変化傾向を表す。セグメント生成部３６は、センサデータにおける、同一の動作状態が連続した部分を１つのセグメントとして切り分ける。また、セグメント生成部３６は、複数のセグメントのそれぞれに、そのセグメントの動作状態を識別する識別情報を対応付ける。

センサデータを複数のセグメントに分割するためのセグメンテーションアルゴリズムおよびパラメータは、どのようなものであってもよい。例えば、セグメント生成部３６は、ＴＩＣＣ（Toeplitz Inverse Covariance-based Clustering）またはＬＡＭＴＳＳ（Lag-Aware Multivariate Time-Series Segmentation）等のセグメンテーションアルゴリズムを用いて、センサデータを複数のセグメントに分割する。

セグメント生成部３６は、セグメントの境界位置および複数のセグメントのそれぞれの識別情報を記憶部３４に記憶させる。

時刻指定部３８は、基準時刻を取得する。基準時刻は、センサ値の観測が開始された後から現在時刻までの間における、任意の時刻（第１時刻）である。基準時刻は、現在時刻であってもよい。基準時刻は、現在時刻より過去の任意の時刻であってもよい。

さらに、時刻指定部３８は、指定時刻または指定時間範囲を取得する。指定時刻および指定時間範囲は、基準時刻より未来の任意の時刻または時間範囲である。例えば、指定時間範囲は、基準時刻の直後から、予め設定された時間後までの範囲であってもよい。

抽出部４０は、時刻指定部３８から基準時刻を受け取り、基準時刻を含むセグメントの動作状態を特定する。そして、抽出部４０は、記憶部３４に記憶されたセンサデータから、基準時刻を含むセグメントの動作状態と同一の動作状態（すなわち、特定した動作状態）のデータにより構成される対象データを抽出する。

対象データは、センサデータのうち、特定した動作状態の全てのセグメントであってもよい。また、対象データは、特定した動作状態の１または２以上のセグメントのうちの、一部分のデータであってもよい。抽出部４０は、抽出した対象データをモデル生成部４２に与える。

モデル生成部４２は、対象データに基づき推定モデルを生成する。推定モデルは、指定時刻を入力することにより、指定時刻において出力されると推定されるセンサ値である推定データを出力するモデルである。または、推定モデルは、指定時間範囲を入力することにより、指定時間範囲において出力されると推定される時系列のセンサ値である推定データを出力するモデルであってもよい。

推定モデルは、推定データとして、所定の確率で出力されると推定されるセンサ値の範囲を表す信頼区間、および、信頼区間の中央値を出力してもよい。例えば、５０％の確率でセンサ値が出力されると推定される信頼区間および中央値を出力してもよい。

例えば、モデル生成部４２は、統計的時系列解析手法によって推定モデルを生成する。推定モデルは、ＡＲＭＡ（自己回帰移動）モデル、ＡＲＩＭＡ（自己回帰和分移動平均）モデル、ＳＡＲＩＭＡ（季節性自己回帰和分移動平均）モデル等であってもよい。また、モデル生成部４２は、機械学習手法による時系列推定手法を用いて、推定モデルを生成してもよい。

また、モデル生成部４２は、複数の推定モデルを生成し、複数の推定モデルのそれぞれの性能を評価し、評価結果の良い１つの推定モデルを選択してもよい。この場合、モデル生成部４２は、例えば、ＡＩＣ（赤池情報量規準）およびＢＩＣ（ベイズ情報量規準）等の情報量規準を用いて、推定モデルを評価する。また、モデル生成部４２は、対象データの一部を推定モデルを生成するための学習用データとし、他の一部を評価用データとする。そして、モデル生成部４２は、推定モデルにより推定した推定値と、評価用データとの差によって、推定モデルを評価してもよい。また、モデル生成部４２は、複数の推定モデルを生成し、複数の推定モデルのうちのユーザにより指定された１つの推定モデルを選択してもよい。

モデル生成部４２は、生成した推定モデルを推定データ生成部４４に与える。

推定データ生成部４４は、時刻指定部３８から指定時刻を取得する。さらに、推定データ生成部４４は、モデル生成部４２から推定モデルを取得する。推定データ生成部４４は、推定モデルに、指定時刻を入力することにより、指定時刻において出力されると推定されるセンサ値である推定データを生成する。

推定データ生成部４４は、時刻指定部３８から指定時間範囲を取得してもよい。この場合、推定データ生成部４４は、推定モデルに、指定時間範囲を入力することにより、指定時間範囲において出力されると推定される時系列のセンサ値を、推定データとして生成する。また、推定モデルが信頼区間および中央値を出力する場合、推定データ生成部４４は、信頼区間および中央値を推定データして生成する。

表示制御部４６は、生成した推定データを含む推定画像を生成する。そして、表示制御部４６は、推定画像を表示装置２４に与え、推定画像を表示装置２４に表示させる。

さらに、表示制御部４６は、記憶部３４からセンサデータを取得し、センサデータをさらに含む推定画像を表示装置２４に表示させてもよい。また、表示制御部４６は、センサデータを複数のセグメントに時間方向に分割した場合における境界時刻を記憶部３４から取得し、境界時刻をさらに含む推定画像を表示装置２４に表示させてもよい。

また、表示制御部４６は、センサデータにおける対象データが含まれる対象期間を抽出部４０から取得し、センサデータにおける対象データが含まれる対象期間をさらに含む推定画像を表示装置２４に表示させてもよい。また、表示制御部４６は、推定モデルが推定データとして信頼区間および中央値を出力する場合、表示制御部４６は、信頼区間および中央値をさらに含む推定画像を表示装置２４に表示させてもよい。

なお、表示制御部４６は、１枚の推定画像をモニタに表示してもよいし、複数枚に分割された推定画像をモニタに表示してもよい。

図４は、第１実施形態に係る推定装置２２の処理の流れを示すフローチャートである。第１実施形態に係る推定装置２２は、開始指示が与えられた場合、図４に示す流れで処理を実行する。

まず、Ｓ１０１において、収集部３２は、対象装置１０を観測するセンサ１２により検出された時系列のセンサ値であるセンサデータを収集する。続いて、Ｓ１０２において、セグメント生成部３６は、センサデータを解析することにより、対象装置１０の動作状態毎にセンサデータを時間方向に分割して複数のセグメントを生成する。そして、セグメント生成部３６は、複数のセグメントのそれぞれに対して、そのセグメントの動作状態を識別する識別情報を対応付ける。

続いて、Ｓ１０３において、抽出部４０は、センサデータから、基準時刻を含むセグメントの動作状態と同一の動作状態の対象データを抽出する。続いて、Ｓ１０４において、モデル生成部４２は、抽出した対象データに基づき推定モデルを生成する。

続いて、Ｓ１０５において、推定データ生成部４４は、推定モデルに指定時間範囲を入力することにより、指定時間範囲において出力されると推定される各時点のセンサ値を推定する。そして、推定データ生成部４４は、指定時間範囲において出力される時系列のセンサ値を、推定データとして生成する。なお、推定モデルが信頼区間および中央値を出力する場合、推定データ生成部４４は、時系列の信頼区間および中央値を、推定データとして生成してもよい。

続いて、Ｓ１０６において、表示制御部４６は、生成した推定データを含む推定画像を生成する。そして、表示制御部４６は、推定画像を表示装置２４に与え、表示装置２４に推定画像を表示させる。Ｓ１０６を終えると推定装置２２は、処理を終了する。

図５は、第１実施形態に係る表示装置２４が表示する推定画像の一例を示す図である。表示装置２４は、推定装置２２の表示制御部４６による制御に従って、図５に示すような推定画像をモニタに表示する。図５に示す推定画像は、横軸が時刻を表し、縦軸がセンサ値を表す。

推定画像は、推定値グラフ１００２と、信頼区間グラフ１００４と、実測値グラフ１００６と、基準時刻情報１００８と、境界時刻情報１０１０と、対象期間情報１０１２とを含む。

推定値グラフ１００２は、時間軸上に、対象装置１０を観測するセンサ１２から出力されると推定されたセンサ値である推定データを表す線である。なお、推定モデルが推定データとして信頼区間および中央値を出力する場合、推定値グラフ１００２は、時間軸上に中央値を表す線であってもよい。信頼区間グラフ１００４は、時間軸上に、信頼区間を表す画像である。実測値グラフ１００６は、時間軸上に、センサ１２により観測された時系列のセンサ値であるセンサデータを表す線である。

基準時刻情報１００８は、時間軸上における基準時刻の位置を示す情報である。境界時刻情報１０１０は、対象装置１０の動作状態毎にセンサデータを複数のセグメントに時間方向に分割した場合における、時間軸上のセグメントの境界時刻の位置を示す情報である。対象期間情報１０１２は、時間軸上における、センサデータにおける基準時刻を含むセグメントと動作状態と同一の動作状態のデータにより構成される対象データが含まれる対象期間を示す情報である。

第１実施形態に係る表示装置２４は、このような推定画像を表示することにより、推定データをユーザに提供することができる。

以上のように、第１実施形態に係る推定システム２０は、センサデータを解析することにより、対象装置１０の動作状態毎にセンサデータを時間方向に分割した複数のセグメントを生成し、基準時刻を含むセグメントの動作状態と同一の動作状態の対象データを抽出し、対象データに基づき推定モデルを生成する。そして、推定システム２０は、生成した推定モデルに指定時刻または指定時間範囲を入力することにより、推定データを生成する。これにより、第１実施形態に係る推定システム２０によれば、指定時刻または指定時間範囲にセンサ１２から出力されるセンサ値を、精度良く推定することができる。

例えば、対象装置１０は、温度および湿度等の環境、並びに、出力量および周波数等の運転設定等によって、状態の変化傾向が異なる。状態の変化傾向が異なる場合、センサデータを精度良く推定することが難しくなる。例えば、運転設定が明らかな場合には、運転設定毎に分離して、センサデータを推定することが考えられる。しかし、運転設定に影響するパラメータが多数存在し、運転設定と対象装置１０の状態との相関が特定できない場合、運転設定毎に分離しても、センサデータを精度良く推定することは難しい。また、センサにより測定できない内部状態が、センサデータに反映されている場合等にも、運転設定毎に分離しても、センサデータを精度良く推定することは難しい。

これに対して、第１実施形態に係る推定システム２０は、センサデータを解析することにより、基準時刻を含むセグメントの動作状態と同一の動作状態の対象データに基づき推定モデルを生成する。そして、推定システム２０は、生成した推定モデルを用いて推定データを生成する。これにより、第１実施形態に係る推定システム２０によれば、出力量および周波数等の運転設定等によって対象装置１０の状態の変化傾向が異なる場合であっても、センサデータを精度良く推定することができる。

（第２実施形態）
つぎに、第２実施形態に係る推定システム２０について説明する。なお、第２実施形態以降の説明では、それまでの実施形態おいて説明した構成要素と略同一の構成および機能を有する構成要素については、同一の符号を付けて、相違点を除き詳細な説明を省略する。

図６は、第２実施形態に係る推定装置２２の機能構成を示す図である。第２実施形態に係る推定装置２２は、第１実施形態の構成に加えて、最適化部６２をさらに備える。

最適化部６２は、モデル生成部４２により生成された推定モデルによる推定精度を評価し、モデル生成部４２により生成される推定モデルを最適化させる。

本実施形態において、セグメント生成部３６は、複数の方法によりセンサデータを複数のセグメントに分割することが可能である。例えば、セグメント生成部３６は、１つのセグメンテーションアルゴリズムについて複数の異なるパラメータにより、センサデータを分割することができる。また、例えば、セグメント生成部３６は、複数のセグメンテーションアルゴリズムにより、センサデータを分割することができる。

最適化部６２は、セグメント生成部３６に対して複数の方法のそれぞれによりセンサデータを複数のセグメントに分割させる。さらに、最適化部６２は、モデル生成部４２に、複数の方法のそれぞれにより分割された複数のセグメントを用いて、推定モデルを複数個生成させる。そして、最適化部６２は、複数個の推定モデルのそれぞれの推定精度の評価に基づき、複数個の推定モデルのうち１つの推定モデルを選択し、選択した推定モデルを推定データ生成部４４に使用させる。

これにより、最適化部６２は、最適な推定モデルが生成されるように、セグメント生成部３６に対して、適切なセグメンテーションアルゴリズムおよびパラメータでセンサデータを複数のセグメントに分割させることができる。

図７は、第２実施形態に係る推定装置２２の処理の流れを示すフローチャートである。第２実施形態に係る推定装置２２は、開始指示が与えられた場合、図７に示す流れで処理を実行する。なお、第２実施形態に係る推定装置２２の処理は、第１実施形態と比較して、Ｓ２０１、Ｓ２０２およびＳ２０３の処理が追加されている。

まず、Ｓ１０１において、収集部３２は、対象装置１０を観測するセンサ１２により検出された時系列のセンサ値であるセンサデータを収集する。

続いて、Ｓ１０２において、セグメント生成部３６は、センサデータを解析することにより、対象装置１０の動作状態毎にセンサデータを時間方向に分割して複数のセグメントを生成する。なお、最初のループにおいては、セグメント生成部３６は、例えば、予め定められたパラメータまたはセグメンテーションアルゴリズムを設定し、設定されたパラメータまたはセグメンテーションアルゴリズムにより複数のセグメントを生成する。

続いて、Ｓ１０３において、抽出部４０は、センサデータから、基準時刻を含むセグメントの動作状態と同一の動作状態の対象データを抽出する。続いて、Ｓ１０４において、モデル生成部４２は、抽出した対象データに基づき推定モデルを生成する。

続いて、Ｓ２０１において、最適化部６２は、生成された推定モデルを評価する。例えば、最適化部６２は、ＡＩＣおよびＢＩＣ等の情報量規準を用いて、推定モデルを評価する。また、例えば、最適化部６２は、対象データの一部を推定モデルを生成するための学習用データとし、他の一部を評価用データとする。そして、最適化部６２は、生成した推定モデルにより推定した推定値と、評価用データとの差によって、推定モデルを評価してもよい。

続いて、Ｓ２０２において、最適化部６２は、最適な推定モデルが得られたか否かを判断する。例えば、最適化部６２は、評価値が予め定められた閾値を超えた場合に、最適な推定モデルとしてもよい。また、最適化部６２は、所定回ループを繰り返して複数の推定モデルを生成させ、複数の推定モデルのそれぞれの評価値のうちの最も評価の高い１つの推定モデルを選択してもよい。最適化部６２は、最適な推定モデルが得られた場合（Ｓ２０２のＹｅｓ）、処理をＳ１０５に進める。最適化部６２は、最適な推定モデルが得られていない場合（Ｓ２０２のＮｏ）、処理をＳ２０３に進める。

Ｓ２０３において、最適化部６２は、セグメント生成部３６によるセグメンテーションのためのパラメータまたはセグメンテーションアルゴリズムを再設定する。例えば、セグメンテーションのためのパラメータを再設定する場合、最適化部６２は、直前のパラメータに対して予め定められた値を加えたり減じたりすることにより、パラメータを変更してもよい。また、最適化部６２は、勾配法を利用して評価値が高くなるようなパラメータの変化方向を算出し、評価値が高くなるように直前のパラメータを変化させてもよい。また、最適化部６２は、パラメータの設定可能範囲を網羅的に探索するように、パラメータの値を変化させてもよい。最適化部６２は、Ｓ２０３の処理を終えると、処理をＳ１０２に戻す。

Ｓ１０５において、推定データ生成部４４は、推定モデルに指定時間範囲を入力することにより、指定時間範囲において出力されると推定される各時点のセンサ値を推定する。続いて、Ｓ１０６において、表示制御部４６は、生成した推定データを含む推定画像を表示装置２４に表示させる。そして、Ｓ１０６を終えると推定装置２２は、処理を終了する。

以上のように、第２実施形態に係る推定システム２０は、推定モデルによる推定精度を評価し、モデル生成部４２により生成される推定モデルを最適化させる。これにより、第２実施形態に係る推定システム２０によれば、指定時刻または指定時間範囲にセンサ１２から出力されるセンサ値を、さらに精度良く推定することができる。

（第３実施形態）
つぎに、第３実施形態に係る推定システム２０について説明する。

図８は、第３実施形態に係る推定装置２２の機能構成を示す図である。第３実施形態に係る推定装置２２は、第１実施形態の構成に加えて、代表値生成部６４をさらに備える。なお、第３実施形態に係る推定装置２２は、第２実施形態の構成に加えて、代表値生成部６４をさらに備える構成であってもよい。

代表値生成部６４は、抽出部４０により抽出された対象データにおける所定期間毎に、対象の所定期間を代表する代表値を生成する。代表値生成部６４は、生成した代表値の集合である代表値データを生成する。そして、第３実施形態において、モデル生成部４２は、代表値生成部６４により生成された代表値データに基づき、推定モデルを生成する。

代表値は、例えば、対象の所定期間に含まれる複数のセンサ値の平均値または中央値である。例えば、所定期間は、１日（２４時間）である。所定期間は、１時間、６時間、１２時間、３日および１週間等のどのような期間であってもよい。これにより、代表値生成部６４は、所定期間におけるセンサ値のノイズ等の変動を除去し、ノイズ等の変動を除去した値に基づき精度の良い推定モデルを生成させることができる。

図９は、第３実施形態に係る推定装置２２の処理の流れを示すフローチャートである。第３実施形態に係る推定装置２２は、開始指示が与えられた場合、図９に示す流れで処理を実行する。

なお、第３実施形態に係る推定装置２２の処理は、第１実施形態と比較して、Ｓ３０１の処理が追加されている。図９のフローについては、第１実施形態との相違点について説明する。

推定装置２２は、Ｓ１０３の処理に続いて、Ｓ３０１の処理を実行する。Ｓ３０１において、代表値生成部６４は、抽出された対象データにおける所定期間毎に、対象の所定期間を代表する代表値を生成する。そして、代表値生成部６４は、生成した代表値の集合である代表値データを生成する。

推定装置２２は、Ｓ３０１の処理に続いて、Ｓ１０４の処理を実行する。Ｓ１０４において、モデル生成部４２は、生成された代表値データに基づき、推定モデルを生成する。

以上のように、第３実施形態に係る推定システム２０は、対象データにおける所定期間毎の代表値の集合である代表値データを生成し、代表値データに基づき推定モデルを生成する。これにより、第３実施形態に係る推定システム２０によれば、ノイズ等を除いたデータに基づき生成された推定モデルを用いて、さらに精度良くセンサ値を推定することができる。

（第４実施形態）
つぎに、第４実施形態に係る推定システム２０について説明する。

図１０は、第４実施形態に係る推定装置２２の機能構成を示す図である。第４実施形態に係る推定装置２２は、第３実施形態の構成に加えて、イベント取得部６６と、選択部６８とをさらに備える。なお、第４実施形態に係る推定装置２２は、第１実施形態または第２実施形態の構成に加えて、イベント取得部６６と、選択部６８とをさらに備える構成であってもよい。

イベント取得部６６は、対象装置１０に対して発生するイベントに関する情報を表すイベントデータを取得する。例えば、イベントデータは、イベントの発生時刻および継続時間等を含む。また、イベント取得部６６は、時系列のイベントデータを取得してもよい。

さらに、イベント取得部６６は、複数の種類のイベントに関する情報を表すイベントデータを取得してもよい。この場合、イベントデータは、イベントの種類を識別する情報をさらに含む。また、発生するイベントに大きさの違いがある場合、イベントデータは、イベントの大きさを表す情報も含んでもよい。

また、イベント取得部６６は、現在時刻より後において発生する予定のイベントに関する情報を含むイベントデータを取得してもよい。イベント取得部６６は、取得したイベントデータを選択部６８に与える。

選択部６８は、取得したイベントデータに基づき、抽出部４０により抽出された対象データのうち、イベントの発生に基づき定まる期間のデータを除去または選択する。選択部６８は、代表値生成部６４により生成された代表値データのうち、イベントの発生時間に基づき定まる期間のデータを除去または選択してもよい。

例えば、選択部６８は、対象データから、イベントの発生に基づき定まる期間におけるデータを除去してもよい。反対に、選択部６８は、対象データから、イベントに基づき定まる期間におけるデータを選択して、他の期間のデータを除去してもよい。

また、イベントの発生に基づき定まる期間は、例えば、イベントが発生している期間、イベントが発生した時刻の前の一定期間、イベントが発生した時刻の後の一定期間、または、イベントが発生した時刻の前後の一定期間である。

また、例えば、選択部６８は、対象データから、イベントの発生に基づき定まる期間に含まれる複数のセンサ値の値に基づき、センサ値の期待値および標準偏差等を算出する。そして、選択部６８は、算出した期待値および標準偏差に基づきセンサ値の期待範囲を特定し、対象データのうちのセンサ値が期待範囲から外れるデータを除去または選択してもよい。

本実施形態において、モデル生成部４２は、選択部６８から、イベントの発生に基づき定まる期間のデータを除去または選択した対象データまたは代表値データを取得する。そして、モデル生成部４２は、取得した対象データまたは代表値データに基づき、推定モデルを生成する。

モデル生成部４２は、イベントデータをさらに入力して、推定データを出力する推定モデルを生成してもよい。この場合、推定モデルは、指定時刻または指定時間範囲に加えて、イベントデータにより表されるイベントの種類、発生時刻、継続時間および大きさの少なくとも１つを入力して、推定データを生成する。

モデル生成部４２は、複数の推定モデルを生成し、評価結果の良い推定モデルを選択する場合、生成する複数の推定モデルの中に、イベントデータをさらに入力する推定モデルと、イベントデータを入力しない推定モデルとを含めてもよい。

推定モデルがイベントデータをさらに入力して、推定データを出力する場合、推定データ生成部４４は、イベント取得部６６から、イベントデータを取得する。そして、この場合、推定データ生成部４４は、イベントデータを推定モデルに入力して、推定データを生成する。なお、この場合、推定データ生成部４４は、現在時刻より後に発生する予定のイベントに関するイベントデータを推定モデルに入力して、推定データを生成してもよい。

表示制御部４６は、イベント取得部６６からイベントデータをさらに取得する。そして、表示制御部４６は、イベントデータに基づき、イベントの発生時刻および発生したイベントの種類等をさらに含む推定画像を表示装置２４に表示させる。

図１１は、イベントデータの一例を示す図である。対象装置１０が燃料電池の場合、推定装置２２は、例えば、図１１に示すような、時系列に表されたイベントデータを取得してもよい。例えば、推定装置２２は、イベントの発生時刻、起動停止イベントが発生したかどうかを示す情報、異常停止イベントが発生したかどうかを示す情報、メンテナンスによる停止が発生したかどうかを示す情報、および、停止時間を表すイベントデータを取得してもよい。

また、例えば、推定装置２２は、センサ１２とは異なる、対象装置１０の状態を測定する測定装置により検出された測定値が、予め定められた値の範囲外となったことを示すイベントデータを取得してもよい。例えば、対象装置１０が燃料電池である場合、センサ１２とは異なる測定装置により検出された測定値は、燃料電池から出力される電圧値または電流値であってもよい。

この場合、例えば、選択部６８は、対象データまたは代表値データのうち、測定値が予め定められた値の範囲外となっている期間のデータを除去する。例えば、選択部６８は、燃料電池から出力される電流値が、予め定められた値の範囲外となっている期間のデータを、対象データまたは代表値データから除去する。これにより、モデル生成部４２は、通常動作をしていない期間におけるデータを除いた対象データまたは代表値データに基づき、推定モデルを生成することができる。

図１２は、第４実施形態に係る推定装置２２の処理の流れを示すフローチャートである。第４実施形態に係る推定装置２２は、開始指示が与えられた場合、図１２に示す流れで処理を実行する。

なお、第４実施形態に係る推定装置２２の処理は、第３実施形態と比較して、Ｓ４０１およびＳ４０２の処理が追加されている。図１２のフローについては、第３実施形態との相違点について説明する。

推定装置２２は、Ｓ３０１の処理に続いて、Ｓ４０１の処理を実行する。Ｓ４０１において、イベント取得部６６は、対象装置１０に対して発生するイベントに関する情報を表すイベントデータを取得する。続いて、Ｓ４０２において、選択部６８は、取得したイベントデータに基づき、代表値データのうち、イベントの発生に基づき定まる期間のデータを除去または選択する。

推定装置２２は、Ｓ４０２に続いて、Ｓ１０４を実行する。Ｓ１０４において、モデル生成部４２は、イベントの発生に基づき定まる期間のデータを除去または選択された代表値データに基づき、推定モデルを生成する。

図１３は、第４実施形態に係る表示装置２４が表示する推定画像の一例を示す図である。第４実施形態に係る表示装置２４は、推定装置２２の表示制御部４６による制御に従って、図１３に示すような推定画像をモニタに表示する。

図１３に示す推定画像は、図５に示す推定画像と比較して、イベント時刻情報１０２２をさらに含む。イベント時刻情報１０２２は、時間軸上におけるイベントの発生時刻および発生したイベントの種類を示す情報である。

第４実施形態に係る表示装置２４は、このような推定画像を表示することにより、さらに、イベントの発生と推定データとの関係をユーザに提示することができる。

以上のように、第４実施形態に係る推定システム２０は、対象データからイベントの発生に基づき定まる期間のデータを除去または選択し、このような対象データに基づき推定モデルを生成する。これにより、第４実施形態に係る推定システム２０によれば、例えば特異な状態のデータを除いた対象データに基づき生成された推定モデルを用いて、さらに精度良くセンサ値を推定することができる。

（第５実施形態）
つぎに、第５実施形態に係る推定システム２０について説明する。

図１４は、第５実施形態に係る推定装置２２の機能構成を示す図である。第５実施形態に係る推定装置２２は、第１実施形態と比較し、抽出部４０、モデル生成部４２および推定データ生成部４４の処理が異なる。

抽出部４０は、セグメント生成部３６がセンサデータを解析することにより得られた複数の動作状態のそれぞれについて、センサデータから、対象の動作状態のデータにより構成される対象データを抽出する。例えば、セグメント生成部３６がセンサデータからＮ種類（Ｎは２以上の整数）の動作状態を検出した場合には、Ｎ個の対象データを生成する。Ｎ個の対象データのそれぞれは、Ｎ種類の動作状態のそれぞれに一対一に対応する。

モデル生成部４２は、複数の動作状態のそれぞれについて、対応する対象データに基づき推定モデルを生成する。例えば、セグメント生成部３６がセンサデータからＮ種類の動作状態を検出した場合には、Ｎ個の推定モデルを生成する。Ｎ個の推定モデルのそれぞれは、Ｎ種類の動作状態に一対一に対応する。

推定データ生成部４４は、入力された基準時刻が含まれるセグメントの動作状態を特定する。そして、推定データ生成部４４は、複数の推定モデルの中から、特定した動作状態に対応する推定モデルを選択し、選択した推定モデルにより推定データを生成する。

表示制御部４６は、基準時刻が含まれるセグメントの動作状態に対応する対象データが含まれる対象期間を、抽出部４０から取得する。そして、表示制御部４６は、対象期間を含む推定画像を表示装置２４に表示させる。

このような第５実施形態に係る推定装置２２は、複数の動作状態のそれぞれについて、予め推定モデルを生成する。これにより、推定装置２２によれば、推定モデルの生成処理を繰り返し実行しなくてよいので、複数の基準時刻が入力された場合、効率良く推定データを生成することができる。

（第６実施形態）
つぎに、第６実施形態に係る推定システム２０について説明する。

図１５は、第６実施形態に係る推定装置２２の機能構成を示す図である。第６実施形態に係る推定装置２２は、第４実施形態の構成に加えて、閾値取得部８２と、危険確率算出部８４と、危険時刻算出部８６とをさらに備える。なお、第６実施形態に係る推定装置２２は、第１、第２、第３または第５実施形態の構成に加えて、閾値取得部８２と、危険確率算出部８４と、危険時刻算出部８６とをさらに備える構成であってもよい。

閾値取得部８２は、閾値を取得する。例えば、閾値は、異常なセンサ値の範囲（危険範囲）と、正常なセンサ値の範囲（正常範囲）との境界値である。閾値取得部８２は、危険範囲の上限値と下限値とを取得してもよい。また、閾値取得部８２は、センサデータが複数のセンサ値を含む場合、センサデータに含まれる２以上のセンサ値のそれぞれについて、閾値または危険範囲を取得してもよい。

危険確率算出部８４は、閾値または危険範囲を取得する。また、危険確率算出部８４は、推定データ生成部４４により生成された推定データを取得する。そして、危険確率算出部８４は、推定されるセンサ値が危険範囲に含まれる危険確率を表す時系列データを算出する。この場合において、危険確率算出部８４は、推定データ生成部４４により算出された所定確率の信頼区間の時系列データと中央値の時系列データとに基づき、センサ値が危険範囲に含まれる危険確率を表す時系列データを算出する。

危険時刻算出部８６は、所定の確率で推定されるセンサ値が危険範囲に含まれる危険時刻を算出する。例えば、危険時刻算出部８６は、危険確率を表す時系列データが、所定の確率となる時刻を、危険時刻として算出する。

表示制御部４６は、閾値取得部８２により取得された閾値または危険範囲を取得する。そして、表示制御部４６は、閾値または危険範囲をさらに含む推定画像を表示装置２４に表示させる。

また、表示制御部４６は、推定されるセンサ値が危険範囲に含まれる危険確率の時系列データを危険確率算出部８４から取得する。そして、表示制御部４６は、推定されるセンサ値が危険範囲に含まれる危険確率の時系列データをさらに含む推定画像を、表示装置２４に表示させる。

また、表示制御部４６は、所定の確率で推定されるセンサ値が危険範囲に含まれる危険時刻を危険時刻算出部８６から取得する。そして、表示制御部４６は、所定の確率でセンサ値が危険範囲に含まれる危険時刻をさらに含む推定画像を、表示装置２４に表示させる。

図１６は、第６実施形態に係る推定装置２２の処理の流れを示すフローチャートである。第６実施形態に係る推定装置２２は、開始指示が与えられた場合、図１６に示す流れで処理を実行する。

なお、第６実施形態に係る推定装置２２の処理は、第４実施形態と比較して、Ｓ６０１、Ｓ６０２およびＳ６０３の処理が追加されている。図１６のフローについては、第４実施形態との相違点について説明する。

推定装置２２は、Ｓ１０５の処理に続いて、Ｓ６０１の処理を実行する。Ｓ６０１において、閾値取得部８２は、ユーザ等により設定されたセンサ値を示す閾値を取得する。続いて、Ｓ６０２において、危険確率算出部８４は、推定されるセンサ値が危険範囲に含まれる危険確率を表す時系列データを算出する。続いて、Ｓ６０３において、所定の確率でセンサ値が危険範囲に含まれる危険時刻を算出する。推定装置２２は、Ｓ６０３の処理に続いて、Ｓ１０６の処理を実行する。

そして、Ｓ１０６において、表示制御部４６は、閾値、危険確率を表す時系列データおよび危険時刻をさらに含む推定画像を生成し、表示装置２４に表示させる。

図１７は、第６実施形態に係る表示装置２４が表示する推定画像の一例を示す図である。第６実施形態に係る表示装置２４は、推定装置２２の表示制御部４６による制御に従って、図１７に示すような推定画像をモニタに表示する。

図１７に示す推定画像は、図１３に示す推定画像と比較して、閾値情報１０３０と、危険範囲情報１０３２と、危険確率グラフ１０３４とをさらに含む。

閾値情報１０３０は、センサ値の危険範囲の下限値または上限値を表す線である。危険範囲情報１０３２は、所定の確率で、推定されるセンサ値が危険範囲に含まれる期間を表す情報である。例えば、危険範囲情報１０３２は、推定値グラフ１００２における背景の色等を強調した画像である。

なお、推定画像は、複数の確率のそれぞれについて、推定されるセンサ値が危険範囲に含まれる期間を表す危険範囲情報１０３２を表示してもよい。この場合、危険範囲情報１０３２は、確率毎に、異なる色等で強調した画像となる。例えば、危険範囲情報１０３２は、５％の確率で推定されるセンサ値が危険範囲に含まれる期間を強調する画像と、５０％の確率で推定されるセンサ値が危険範囲に含まれる期間とを強調する画像とを含む。

危険確率グラフ１０３４は、時間軸上に、推定されるセンサ値が危険範囲に含まれる危険確率を表す線である。危険確率グラフ１０３４の時間軸は、推定値グラフ１００２の時間軸と一致して表示される。

第６実施形態に係る表示装置２４は、図１７に示す推定画像を表示することにより、さらに、推定されるセンサ値が危険範囲に含まれる確率をユーザに提示することができる。

図１８は、第６実施形態に係る表示装置２４が表示する他の例の推定画像を示す図である。第６実施形態に係る表示装置２４は、図１７に示すような推定画像に加えて、図１８に示す推定画像を表示する。表示装置２４は、図１７に示す推定画像と、図１８に示す推定画像をモニタに並べて表示してもよいし、別ページに表示してもよい。

図１８に示す推定画像は、危険時刻情報１０４２と、閾値ボックス１０４４と、推定期間ボックス１０４６と、現在動作状態情報１０４８と、参照期間情報１０５０と、イベント選択ボックス１０５２とを含む。

危険時刻情報１０４２は、所定の確率で推定されるセンサ値が危険範囲に含まれる危険時刻を含む。危険時刻情報１０４２は、複数の時刻のそれぞれについて、危険時刻を含んでもよい。例えば、危険時刻情報１０４２は、５％の確率でセンサ値が危険範囲に含まれる危険時刻と、５０％の確率でセンサ値が危険範囲に含まれる危険時刻とを含む。

閾値ボックス１０４４は、ユーザが閾値を入力するためのボックスである。推定期間ボックス１０４６は、ユーザが指定推定期間を入力するためのボックスである。現在動作状態情報１０４８は、現在時刻における動作状態を示す情報である。参照期間情報１０５０は、対象データとして選択した動作状態を示す情報である。イベント選択ボックス１０５２は、推定モデルに入力するイベントの種類をユーザが選択するためのボックスである。

第６実施形態に係る表示装置２４は、図１８に示す推定画像を表示することにより、さらに、推定されるセンサ値が危険範囲に含まれる時刻をユーザに提示することができる。

以上のように、第６実施形態に係る推定システム２０は、推定されるセンサ値が危険範囲に含まれる確率、期間および時刻等をユーザに提示する。これにより、第６実施形態に係る推定システム２０によれば、ユーザに、メンテナンス等を適切なタイミングに設定させることができる。

（ハードウェア構成）
図１９は、実施形態に係る推定装置２２のハードウェア構成の一例を示す図である。本実施形態に係る推定装置２２は、例えば図１９に示すようなハードウェア構成の情報処理装置により実現される。推定装置２２は、ＣＰＵ（Central Processing Unit）２０１と、ＲＡＭ（Random Access Memory）２０２と、ＲＯＭ（Read Only Memory）２０３と、操作入力装置２０４と、記憶装置２０６と、通信装置２０７とを備える。そして、これらの各部は、バスにより接続される。

ＣＰＵ２０１は、プログラムに従って演算処理および制御処理等を実行するプロセッサである。ＣＰＵ２０１は、ＲＡＭ２０２の所定領域を作業領域として、ＲＯＭ２０３および記憶装置２０６等に記憶されたプログラムとの協働により各種処理を実行する。

ＲＡＭ２０２は、ＳＤＲＡＭ（Synchronous Dynamic Random Access Memory）等のメモリである。ＲＡＭ２０２は、ＣＰＵ２０１の作業領域として機能する。ＲＯＭ２０３は、プログラムおよび各種情報を書き換え不可能に記憶するメモリである。

操作入力装置２０４は、マウスおよびキーボード等の入力デバイスである。操作入力装置２０４は、ユーザから操作入力された情報を指示信号として受け付け、指示信号をＣＰＵ２０１に出力する。

記憶装置２０６は、フラッシュメモリ等の半導体による記憶媒体、または、磁気的若しくは光学的に記録可能な記憶媒体等にデータを書き込みおよび読み出しをする装置である。記憶装置２０６は、ＣＰＵ２０１からの制御に応じて、記憶媒体にデータの書き込みおよび読み出しをする。通信装置２０７は、ＣＰＵ２０１からの制御に応じて外部の機器とネットワークを介して通信する。

本実施形態の推定装置２２で実行されるプログラムは、収集モジュールと、セグメント生成モジュールと、時刻指定モジュールと、抽出モジュールと、モデル生成モジュールと、推定データ生成モジュールと、表示制御モジュールとを備える。このプログラムは、ＣＰＵ２０１（プロセッサ）によりＲＡＭ２０２上に展開して実行されることにより、情報処理装置を収集部３２、セグメント生成部３６、時刻指定部３８、抽出部４０、モデル生成部４２、推定データ生成部４４および表示制御部４６として機能させる。さらに、このプログラムは、ＲＡＭ２０２および記憶装置２０６を記憶部３４として機能させる。なお、推定装置２２は、収集部３２、セグメント生成部３６、時刻指定部３８、抽出部４０、モデル生成部４２、推定データ生成部４４および表示制御部４６の少なくとも一部をハードウェア回路（例えば半導体集積回路）により実現した構成であってもよい。

また、本実施形態の推定装置２２で実行されるプログラムは、コンピュータにインストール可能な形式または実行可能な形式のファイルで、ＣＤ−ＲＯＭ、フレキシブルディスク、ＣＤ−Ｒ、ＤＶＤ（Digital Versatile Disk）等のコンピュータで読み取り可能な記録媒体に記録されて提供される。

また、本実施形態の推定装置２２で実行されるプログラムを、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するように構成してもよい。また、本実施形態の推定装置２２で実行されるプログラムをインターネット等のネットワーク経由で提供または配布するように構成してもよい。また、推定装置２２で実行されるプログラムを、ＲＯＭ２０３等に予め組み込んで提供するように構成してもよい。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１０ 対象装置
１２ センサ
２０ 推定システム
２２ 推定装置
２４ 表示装置
３２ 収集部
３４ 記憶部
３６ セグメント生成部
３８ 時刻指定部
４０ 抽出部
４２ モデル生成部
４４ 推定データ生成部
４６ 表示制御部
６２ 最適化部
６４ 代表値生成部
６６ イベント取得部
６８ 選択部
８２ 閾値取得部
８４ 危険確率算出部
８６ 危険時刻算出部
１００２ 推定値グラフ
１００４ 信頼区間グラフ
１００６ 実測値グラフ
１００８ 基準時刻情報
１０１０ 境界時刻情報
１０１２ 対象期間情報
１０２２ イベント時刻情報
１０３０ 閾値情報
１０３２ 危険範囲情報
１０３４ 危険確率グラフ
１０４２ 危険時刻情報
１０４４ 閾値ボックス
１０４６ 推定期間ボックス
１０４８ 現在動作状態情報
１０５０ 参照期間情報
１０５２ イベント選択ボックス

Claims (18)

1. 対象装置を観測するセンサにより検出された時系列のセンサデータから前記対象装置の動作状態毎に分割した複数のセグメントを生成するセグメント生成部と、
   前記複数のセグメントのうちの、任意の第１時刻の動作状態と同一の動作状態のセグメントに含まれる対象データを抽出する抽出部と、
   前記対象データに基づいて、前記第１時刻とは異なる指定時刻において前記センサから出力されると推定される推定データを生成する推定データ生成部と、
   を備える情報処理装置。
2. 前記セグメント生成部は、前記センサデータを解析することにより、前記センサデータを時間方向に分割した前記複数のセグメントを生成する
   請求項１に記載の情報処理装置。
3. 前記第１時刻は、現在の時刻である
   請求項１または２に記載の情報処理装置。
4. 前記推定データ生成部は、指定時間範囲の推定データを生成する
   請求項１から３の何れか１項に記載の情報処理装置。
5. 前記対象データに基づき、前記指定時刻を入力することにより前記推定データを出力する推定モデルを生成するモデル生成部をさらに備え、
   前記推定データ生成部は、前記推定モデルに前記指定時刻を入力することにより、前記推定データを生成する
   請求項１から３の何れか１項に記載の情報処理装置。
6. 前記推定モデルによる推定精度を評価し、生成される前記推定モデルを最適化させる最適化部
   をさらに備え、
   前記セグメント生成部は、複数の方法により前記センサデータを前記複数のセグメントに分割することが可能であり、
   前記最適化部は、
   前記セグメント生成部に対して前記複数の方法のそれぞれにより前記センサデータを前記複数のセグメントに分割させ、
   前記モデル生成部に、前記複数の方法のそれぞれにより分割された前記複数のセグメントを用いて、前記推定モデルを複数個生成させ、
   前記推定精度の評価に基づき、複数個の前記推定モデルのうちの１つの前記推定モデルを選択し、選択した前記推定モデルを前記推定データ生成部に使用させる
   請求項５に記載の情報処理装置。
7. 前記対象データにおける所定期間毎に対象の所定期間を代表する代表値を生成し、生成した前記代表値の集合である代表値データを生成する代表値生成部をさらに備え、
   前記モデル生成部は、前記代表値データに基づき前記推定モデルを生成する
   請求項５または６に記載の情報処理装置。
8. 前記代表値は、前記対象の所定期間に含まれる複数のセンサ値の平均値または中央値である
   請求項７に記載の情報処理装置。
9. 前記対象装置に対して発生するイベントに関する情報を表すイベントデータを取得するイベント取得部と、
   前記イベントデータに基づき、前記対象データのうち、前記イベントの発生に基づき定まる期間のデータを除去または選択する選択部と、
   をさらに備える請求項１から８の何れか１項に記載の情報処理装置。
10. 前記イベント取得部は、前記イベントデータとして、前記センサとは異なる、前記対象装置の状態を測定する測定装置により検出された測定値が、予め定められた値の範囲外となったことを表すデータを取得し、
    前記選択部は、前記イベントデータに基づき、前記対象データのうち、前記測定値が前記予め定められた値の範囲外となっている期間のデータを除去する
    請求項９に記載の情報処理装置。
11. 前記対象装置は、燃料電池であり、
    前記測定装置により検出された測定値は、前記燃料電池から出力される電圧値または電流値である
    請求項１０に記載の情報処理装置。
12. 前記センサデータを解析することにより得られた複数の動作状態のそれぞれについて、前記抽出部は、前記センサデータから、対象の動作状態のデータにより構成される前記対象データを抽出し、
    前記複数の動作状態のそれぞれについて、前記モデル生成部は、対応する前記対象データに基づき、前記推定モデルを生成し、
    前記推定データ生成部は、入力された前記第１時刻が含まれるセグメントの動作状態に対応する前記推定モデルを選択し、選択した前記推定モデルにより前記推定データを生成する
    請求項５から７の何れか１項に記載の情報処理装置。
13. 情報処理装置により実行される情報処理方法であって、
    前記情報処理装置が、
    対象装置を観測するセンサにより検出された時系列のセンサデータから前記対象装置の動作状態毎に分割した複数のセグメントを生成し、
    前記複数のセグメントのうちの、任意の第１時刻の動作状態と同一の動作状態のセグメントに含まれる対象データを抽出し、
    前記対象データに基づいて、前記第１時刻とは異なる指定時刻において前記センサから出力されると推定される推定データを生成する
    情報処理方法。
14. コンピュータを、
    対象装置を観測するセンサにより検出された時系列のセンサデータから前記対象装置の動作状態毎に分割した複数のセグメントを生成するセグメント生成部と、
    前記複数のセグメントのうちの、任意の第１時刻の動作状態と同一の動作状態のセグメントに含まれる対象データを抽出する抽出部と、
    前記対象データに基づいて、前記第１時刻とは異なる指定時刻において前記センサから出力されると推定される推定データを生成する推定データ生成部と、
    して機能させるためのプログラム。
15. 時間軸上に、対象装置を観測するセンサから出力されると推定された推定データを表す推定値グラフと、
    前記時間軸上に、前記センサにより観測された時系列のセンサデータを表す実測値グラフと、
    前記対象装置の動作状態毎に前記センサデータを複数のセグメントに分割した場合における、前記時間軸上のセグメントの境界時刻を示す境界時刻情報と、
    前記時間軸上における、前記センサデータにおける任意の第１時刻を含むセグメントと動作状態と同一の動作状態の対象データが含まれる対象期間を示す対象期間情報と、
    を含む推定画像を表示させる情報処理装置。
16. 前記推定画像は、所定の確率で出力されると推定される前記推定データの範囲を表す信頼区間を表す推定区間情報をさらに含む
    請求項１５に記載の情報処理装置。
17. 前記推定画像は、前記推定データが予め定められた危険範囲に含まれる危険確率を表す危険確率情報をさらに含む
    請求項１６に記載の情報処理装置。
18. 前記推定画像は、所定の確率において前記推定データが前記危険範囲に含まれる危険時刻を表す危険時刻情報をさらに含む
    請求項１７に記載の情報処理装置。

Images